[论文解读] Statistical control for spatio-temporal MEG/EEG source imaging with desparsified multi-task Lasso

Jérôme-Alexis Chevalier, Alexandre Gramfort+2 more|arXiv (Cornell University)|Sep 29, 2020

Photoacoustic and Ultrasonic Imaging参考文献 48被引用 4

一句话总结

该论文提出 ecd-MTLasso，一种用于时空 MEG/EEG 源成像的聚类去稀疏化多任务 Lasso 估计器的集成方法，可对假发现进行统计控制。通过整合去稀疏化 Lasso、空间聚类与集成学习，该方法实现了源图的合理阈值化，同时平衡了空间特异性和敏感性。

ABSTRACT

Detecting where and when brain regions activate in a cognitive task or in a given clinical condition is the promise of non-invasive techniques like magnetoencephalography (MEG) or electroencephalography (EEG). This problem, referred to as source localization, or source imaging, poses however a high-dimensional statistical inference challenge. While sparsity promoting regularizations have been proposed to address the regression problem, it remains unclear how to ensure statistical control of false detections. Moreover, M/EEG source imaging requires to work with spatio-temporal data and autocorrelated noise. To deal with this, we adapt the desparsified Lasso estimator -- an estimator tailored for high dimensional linear model that asymptotically follows a Gaussian distribution under sparsity and moderate feature correlation assumptions -- to temporal data corrupted with autocorrelated noise. We call it the desparsified multi-task Lasso (d-MTLasso). We combine d-MTLasso with spatially constrained clustering to reduce data dimension and with ensembling to mitigate the arbitrary choice of clustering; the resulting estimator is called ensemble of clustered desparsified multi-task Lasso (ecd-MTLasso). With respect to the current procedures, the two advantages of ecd-MTLasso are that i)it offers statistical guarantees and ii)it allows to trade spatial specificity for sensitivity, leading to a powerful adaptive method. Extensive simulations on realistic head geometries, as well as empirical results on various MEG datasets, demonstrate the high recovery performance of ecd-MTLasso and its primary practical benefit: offer a statistically principled way to threshold MEG/EEG source maps.

研究动机与目标

• 解决稀疏 MEG/EEG 源成像方法中缺乏统计控制的问题，特别是对假阳性检测的控制。
• 克服具有自相关噪声的高维、病态不适定时空 MEG/EEG 数据反问题。
• 开发一种在神经影像稀疏高维回归中提供统计推断保证（如 p 值、FWER 控制）的方法。
• 通过自适应聚类与集成学习，实现空间特异性和检测敏感性之间的权衡。
• 提供一种实用且计算高效的算法，可在标准硬件上处理真实世界 MEG/EEG 数据集。

提出的方法

• 将去稀疏化 Lasso 估计器适配至多任务设置（d-MTLasso），以处理时间相关性并提高统计效能。
• 引入基于 Ward 准则的空间约束聚类，以降低数据维度并缓解设计矩阵的病态性。
• 通过多个聚类解的集成，降低对任意聚类选择的敏感性，提升鲁棒性。
• 使用去稀疏化估计器获得每个源位置渐近正态分布的检验统计量，从而实现 p 值计算。
• 在时间域中通过 AR(1) 过程对自相关噪声进行建模，以提高推断的有效性。
• 基于估计的 p 值，采用基于错误发现率（FDR）或族错误率（FWER）控制的阈值化策略。

实验结果

研究问题

• RQ1 去稀疏化多任务 Lasso 估计器是否能在高维、自相关的时间-空间 MEG/EEG 数据中提供有效的统计推断（如 p 值、置信区间）？
• RQ2 空间聚类与集成学习在保持统计有效性的同时，如何提升稀疏源成像的鲁棒性与敏感性？
• RQ3 通过可调的聚类容差，该方法在多大程度上能平衡空间特异性和检测能力？
• RQ4 所提出的 ecd-MTLasso 方法是否在源恢复与假阳性控制方面优于现有的稀疏或非稀疏 MEG/EEG 方法？
• RQ5 该方法是否能在标准硬件上高效部署，适用于真实世界的神经影像应用？

主要发现

• 在适当假设下（包括稀疏性和中等程度相关性），ecd-MTLasso 方法可实现对族错误率（FWER）的可靠统计控制。
• 在真实头模型上的大量模拟实验表明，ecd-MTLasso 能以高敏感性和低假阳性率恢复真实源。
• 在多个 MEG 数据集上的实证结果表明，ecd-MTLasso 在源定位精度方面优于 dSPM 和 sLORETA 等标准方法。
• 该方法可通过 p 值实现源图的合理阈值化，为启发式阈值化提供统计上有效的替代方案。
• 在推荐配置（C=1000，20–50 ms 窗口，5–10 ms 采样）下，ecd-MTLasso 在标准硬件上运行时间低于 10 分钟。
• 该方法具有自适应性：提高空间容差（C）可增强敏感性，但会降低空间特异性，使用户可根据数据质量调节这一权衡。